人工神经网络理论及应用

　　前言
　　第1 章　绪论 1
　　1. 1　人工神经网络概述 1
　　1. 1. 1　人脑与计算机信息处理能力的
　　比较 2
　　1. 1. 2　人脑与计算机信息处理机制的
　　比较 3
　　1. 1. 3　什么是人工神经网络 4
　　1. 2　人工神经网络发展简史 5
　　1. 2. 1　启蒙时期 5
　　1. 2. 2　低潮时期 7
　　1. 2. 3　复兴时期 8
　　1. 2. 4　新时期 9
　　1. 2. 5　海量数据时代 12
　　1. 2. 6　国内研究概况 12
　　1. 3　神经网络的基本特征与功能 13
　　1. 3. 1　神经网络的基本特点 13
　　1. 3. 2　神经网络的基本功能 13
　　1. 4　神经网络的应用领域 15
　　1. 4 1　信息处理领域 15
　　1. 4. 2　自动化领域 16
　　1. 4. 3　工程领域 16
　　1. 4. 4　医学领域 17
　　1. 4. 5　经济领域 17
　　本章小结 18
　　习题 19
　　第2 章　人工神经网络建模基础 20
　　2. 1　脑的生物神经系统概述 20
　　2. 1. 1　人体神经系统的构成 20
　　2. 1. 2　高级中枢神经系统的功能 21
　　2. 1. 3　脑组织的分层结构 22
　　2. 2　生物神经网络基础 23
　　2. 2. 1　生物神经元的结构 23
　　2. 2. 2　生物神经元的信息处理机理 24
　　2. 3　人工神经元模型 26
　　2. 3. 1　神经元的建模 26
　　2. 3. 2　神经元的数学模型 27
　　2. 3. 3　神经元的变换函数 28
　　2. 4　人工神经网络模型 30
　　2. 4. 1　网络拓扑结构类型 30
　　2. 4. 2　网络信息流向类型 31
　　2. 5　神经网络学习 32
　　2. 5. 1　Hebbian 学习规则 34
　　2. 5. 2　离散感知器学习规则 35
　　2. 5. 3　连续感知器学习规则 36
　　2. 5. 4　最小方均学习规则 37
　　2. 5. 5　相关学习规则 38
　　2. 5. 6　胜者为王学习规则 38
　　2. 5. 7　外星学习规则 38
　　本章小结 40
　　习题 40
　　第3 章　感知器神经网络 42
　　3. 1　单层感知器 42
　　3. 1. 1　感知器模型 42
　　3. 1. 2　感知器的功能 43
　　3. 1. 3　感知器的局限性 45
　　3. 1. 4　感知器的学习算法 45
　　3. 2　多层感知器 47
　　3. 3　自适应线性单元简介 49
　　3. 3. 1　ADALINE 模型 49
　　3. 3. 2　ADALINE 学习算法 49
　　3. 3. 3　ADALINE 应用 51
　　3. 4　误差反传算法 51
　　Ⅵ
　　3. 4. 1　基于BP 算法的多层感知器
　　模型 52
　　3. 4. 2　BP 学习算法 53
　　3. 4. 3　BP 算法的程序实现 56
　　3. 4. 4　多层感知器的主要能力 57
　　3. 4. 5　误差曲面与BP 算法的局限性 58
　　3. 5　标准BP 算法的改进 59
　　3. 5. 1　增加动量项 59
　　3. 5. 2　自适应调节学习率 59
　　3. 5. 3　引入陡度因子 60
　　3. 6　基于BP 算法的多层感知器设计
　　基础 60
　　3. 6. 1　网络信息容量与训练样本数 60
　　3. 6. 2　训练样本集的准备 61
　　3. 6. 3　初始权值的设计 64
　　3. 6. 4　多层感知器结构设计 65
　　3. 6. 5　网络训练与测试 66
　　3. 7　基于BP 算法的多层感知器应用与设计
　　实例 67
　　3. 7. 1　基于BP 算法的多层感知器用于
　　催化剂配方建模 67
　　3. 7. 2　基于BP 算法的多层感知器用于
　　汽车变速器最佳挡位判定 68
　　3. 7. 3　基于BP 算法的多层感知器用于
　　图像压缩编码 69
　　3. 7. 4　基于BP 算法的多层感知器用于
　　水库优化调度 69
　　3. 8　基于MATLAB 的BP 网络应用实例 70
　　3. 8. 1　BP 网络用于数据拟合 70
　　3. 8. 2　BP 网络用于鸢尾花分类问题 72
　　扩展资料 76
　　本章小结 77
　　习题 77
　　第4 章　自组织竞争神经网络 80
　　4. 1　竞争学习的概念与原理 80
　　4. 1. 1　基本概念 80
　　4. 1. 2　竞争学习原理 82
　　4. 2　自组织特征映射神经网络 84
　　4. 2. 1　SOFM 网的生物学基础 85
　　4. 2. 2　SOFM 网的拓扑结构与权值
　　调整域 85
　　4. 2. 3　自组织特征映射网的运行原理与
　　学习算法 86
　　4. 2. 4　SOFM 网的设计基础 90
　　4. 2. 5　应用与设计实例 92
　　4. 3　学习向量量化神经网络 95
　　4. 3. 1　向量量化 95
　　4. 3. 2　LVQ 网络结构与工作原理 96
　　4. 3. 3　LVQ 网络的学习算法 97
　　4. 4　对偶传播神经网络 98
　　4. 4. 1　网络结构与运行原理 98
　　4. 4. 2　CPN 的学习算法 99
　　4. 4. 3　改进的CPN 网 100

　　该书系统地论述了人工神经网络的主要理论、设计基础及应用实例，旨在使读者理解和熟悉神经网络的基本原理和主要应用，掌握它的结构和设计应用方法，为深入研究和应用开发打下基础。为了便于读者理解，书中尽量避免烦琐的数学推导，加强了应用举例，并在内容的选择和编排上注意到读者初次接触新概念的易接受性和思维的逻辑性，也注意引入目前神经网络研究领域的前沿知识如深度网络等。为便于读者能将理论转化为应用，在主要章节的后都给出了MATLAB的应用例子，并对程序和结果进行了详细的讲解。